MklComponentsCatalog Classe

Définition

Espace de noms:

Microsoft.ML

Assembly:

Microsoft.ML.Mkl.Components.dll

Paquet:

Microsoft.ML.Mkl.Components v2.0.0

Collection de méthodes d’extension pour RegressionCatalog.RegressionTrainers, BinaryClassificationCatalog.BinaryClassificationTrainerset TransformsCatalog pour créer des composants MKL (Bibliothèque de noyau mathématiques) et de transformation.

public static class MklComponentsCatalog

type MklComponentsCatalog = class

Public Module MklComponentsCatalog

Héritage

Object

MklComponentsCatalog

Méthodes

Ols(RegressionCatalog+RegressionTrainers, OlsTrainer+Options)	Créez OlsTrainer avec des options avancées, ce qui prédit une cible à l’aide d’un modèle de régression linéaire.
Ols(RegressionCatalog+RegressionTrainers, String, String, String)	Créez OlsTrainer, qui prédit une cible à l’aide d’un modèle de régression linéaire.
SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, Int32)	Créez SymbolicSgdLogisticRegressionBinaryTrainer, qui prédit une cible à l’aide d’un modèle de classification binaire linéaire formé sur des données d’étiquette booléenne. La descente de gradient stochastique (SGD) est un algorithme itératif qui optimise une fonction objective différentiable. Parallélise SymbolicSgdLogisticRegressionBinaryTrainer SGD à l’aide de l’exécution symbolique.
SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)	Créez SymbolicSgdLogisticRegressionBinaryTrainer avec des options avancées, ce qui prédit une cible à l’aide d’un modèle de classification binaire linéaire formé sur des données d’étiquette booléenne. La descente de gradient stochastique (SGD) est un algorithme itératif qui optimise une fonction objective différentiable. Parallélise SymbolicSgdLogisticRegressionBinaryTrainer SGD à l’aide de l’exécution symbolique.
VectorWhiten(TransformsCatalog, String, String, WhiteningKind, Single, Int32, Int32)	Prend la colonne remplie d’un vecteur de variables aléatoires avec une matrice de covariance connue dans un ensemble de nouvelles variables dont la covariance est la matrice d’identité, ce qui signifie qu’elles ne sont pas corrélées et chacune ont la variance 1.